随着移动互联、大数据等技术在国内迅速地发展与成熟,互联网金融行业利用其技术优势为客户提供更为便捷、高效的金融服务,其中,网络信贷业务成为金融业关注的焦点。与此同时,用户可能发生的违约风险也成为一大隐患,如何有效地预测和识别潜在的违约用户,成为互联网金融在风险管理上的急需攻克的难题。本文结合大数据和社交网络技术,为某金融平台设计一个符合自身现状的个人信用评估模型。本文首先介绍了以网络贷款业务为主的互联网金融背景、现状以及面临的难题,研究信用风险在国内外的研究现状与评估模型,并重点阐述决策树组合算法的原理和算法(包括随机森林、Adaboost、梯度优化决策树算法)、社交网络可视化技术等相关知识。其次,以融360平台为研究实例,基于平台提供的真实交易数据,进行变量衍生、筛选等数据预处理,采用决策树组合模型(随机森林、Adaboost和GBDT)和十折交叉验证法进行训练对比,得出三个组合模型的分类准确精度都明显优于单棵决策树的分类结果,且其中GBDT分类器平均准确率最高。再运用网格搜索法寻找GBDT模型的最优参数组合,最终,以决策深度为2和迭代次数为360的GBDT模型作为个人信用评估模型。为了挖掘平台上的社交网络行为,我们构建一个核心用户间的社交关系网络G(1983,1162),通过可视化网络结构图看出,大多数用户的关系网较为简单,由一对一的用户关系构成,只存在少量有影响力的用户拥有小型的社交群网。进一步普查连通组件后发现,该网络以小型的连通子图为主,用户间关联性不大;以违约用户为中心的连通组件(节点数为8)违约率最高,且违约率偏高的主要集中在两个极端,即节点数为2、3以及46,而适当规模的连通组件违约率偏低,这表明违约率的高低不仅与连通网络所包含的节点数有关,还与处于该连通网络中心位置的用户违约情况有关。基于上述研究结果,运用FR算法对两种类型用户的社交网络进行布局,并对两类网络的内部结构进行可视化分析得,违约用户的社交关系较为复杂,圈内由较多不同关系组成的群体,而正常用户的网络中,节点与节点间的关系较为简单。最后,总结本人在研究中所做的工作,并提出研究中存在的不足以及改进的办法。